Derin öğrenme yönteminin yüzün fotoğrafik incelenmesindeki etkinliğinin değerlendirilmesi
Determination of the effectiveness of deep learning method in facial photographic evaluation
- Tez No: 844226
- Danışmanlar: DOÇ. DR. ALİ KİKİ
- Tez Türü: Doktora
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Anatomik işaretler, dental fotoğrafi, derin öğrenme, yapay zeka, Anatomic landmarks, artificial intelligence, deep learning, dental photography
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Ortodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 109
Özet
Amaç: Ortodontik yüz fotoğraflarının kantitatif analizleri, anatomik referans noktalarının tespit edilmesiyle başlar. Bu tez çalışmasının amacı derin öğrenme yöntemiyle yüz fotoğraflarındaki anatomik referans noktalarının tespit edilmesi ve geliştirilen derin öğrenme modelinin performansının değerlendirilmesidir. Materyal ve Metot: Bu çalışmada, derin öğrenme modelinin geliştirilmesi için 2872 yüz fotoğrafı ve 39 anatomik referans noktası kullanılmıştır. Model eğitimi için iki derin öğrenme mimarisi kullanılmıştır: PIPNet ve omurga ağı olarak kullanılan ResNet101. Model eğitimi, 2100 görüntüden oluşan bir eğitim veri kümesi ve 772 görüntüden oluşan bir test veri kümesi oluşturularak gerçekleştirilmiştir. Ortalama radyal hata ve başarı tespit oranı ölçütleri kullanılarak derin öğrenme modelinin performansı değerlendirilmiştir. Bulgular: Geliştirilen derin öğrenme modelinin ortalama radyal hata değeri 1.82 ± 2.56 mm olarak hesaplanmıştır. Model tahminleri 1.0 mm, 1.5 mm, 2.0 mm, 2.5 mm, 2.5 mm, 3.0 mm ve 4.0 mm hassasiyet aralıklarında sırasıyla %43.93, %61.96, %73.17, %80.89, %85.83 ve %91.98 başarı tespit oranlarına ulaşmıştır. Çalışma kapsamındaki 39 anatomik referans noktası içinden sağ pupil noktasının en düşük hata değerine ve en yüksek başarı tespit oranına sahip olduğu tespit edilmiştir. Sonuç: Geliştirilen derin öğrenme modeli, anatomik referans noktalarını tahmin etmede kabul edilebilir başarı tespit oranı göstermiştir: 2.0 mm hassasiyet aralığında %73.17 başarı tespit oranı. Daha iyi model performansı için geniş veri setlerinin kullanılması ve farklı yapay zeka mimarilerinin entegrasyonu faydalı olabilir.
Özet (Çeviri)
Aim: Quantitative analysis of orthodontic facial photographs begins with the identification of anatomical landmarks. The aim of this study is to detect landmarks on the face with deep learning and to evaluate the performance of the developed deep learning model. Material and method: In this study, 2872 facial photographs and 39 anatomical landmarks were used to develop the deep learning model. Two deep learning architectures were used for model training: PIPNet architecture and ResNet101 architecture used as a backbone network. Model training was performed by creating a training dataset of 2100 images and a test dataset of 772 images. The performance of the resulting deep learning model was evaluated using average radial error and successful detection rate metrics. Results: The average radial error of the developed deep learning model was calculated as 1.82 ± 2.56 mm. The model predictions achieved 43.93%, 61.96%, 73.17%, 80.89%, 85.83% and 91.98% successful detection rates in the precision ranges of 1.0 mm, 1.5 mm, 2.0 mm, 2.5 mm, 2.5 mm, 2.5 mm, 3.0 mm, and 4.0 mm, respectively. Among the 39 anatomical landmarks in the study, it was determined that the right pupil point had the lowest error value and highest successful detection rate. Conclusion: The developed deep learning model was found an acceptable success rate in predicting anatomical landmarks: 73.17% succesful detection rate in 2.0 mm sensitivity range. For better model performance, the use of large datasets and the integration of different artificial intelligence architectures can be beneficial.
Benzer Tezler
- Gabor dalgacık dönüşümüne dayalı evrişimli sinir ağlarını kullanarak insan yüzü tanıma sistem
Human face recognition system with convolutional neural network based on gabor wavelet transform
SALIMAH ALI SALIM ALMARAGHNI
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKastamonu ÜniversitesiMalzeme Bilimi ve Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT TOKEŞER
- Derin öğrenme tabanlı yöntemler ile GPR görüntülerinde obje tespiti
Object detection in GPR images with deep learning based methods
ORHAN APAYDIN
Yüksek Lisans
Türkçe
2023
Jeofizik Mühendisliğiİstanbul Teknik ÜniversitesiJeofizik Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY İŞSEVEN
- On real-world face super-resolution and face image synthesis evaluation
Gerçek dünya yüz süper çözünürlüğü ve yüz görüntüsü sentezi değerlendirmesi üzerine
ERDİ SARITAŞ
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Development of operation and maintenance strategies for offshore wind industry based on big data management
Büyük veri yönetimi ile açık deniz rüzgar endüstrisinde işletme ve bakım stratejilerinin geliştirilmesi
UWE LUETZEN
Doktora
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiGemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR BEJİ
- Derin öğrenme ağları kullanılarak 3B tıbbi görüntü tanımlanması
3D medical image recognition using deep learning networks
ROUBA OMAR ALAHMAD ALOSMAN
Yüksek Lisans
Türkçe
2023
Mühendislik BilimleriSakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
PROF. DR. İSMAİL HAKKI CEDİMOĞLU